CN114253183A - 压缩机监控数据的处理方法以及装置 - Google Patents
压缩机监控数据的处理方法以及装置 Download PDFInfo
- Publication number
- CN114253183A CN114253183A CN202111414652.6A CN202111414652A CN114253183A CN 114253183 A CN114253183 A CN 114253183A CN 202111414652 A CN202111414652 A CN 202111414652A CN 114253183 A CN114253183 A CN 114253183A
- Authority
- CN
- China
- Prior art keywords
- operation data
- compressor
- target compressor
- data
- monitoring
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 112
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012545 processing Methods 0.000 title claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 claims abstract description 125
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000003672 processing method Methods 0.000 claims abstract description 13
- 238000013507 mapping Methods 0.000 claims description 27
- 230000000737 periodic effect Effects 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 24
- 238000003860 storage Methods 0.000 claims description 21
- 238000005070 sampling Methods 0.000 claims description 17
- 238000012216 screening Methods 0.000 claims description 10
- 238000012986 modification Methods 0.000 abstract description 3
- 230000004048 modification Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005055 memory storage Effects 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 239000003208 petroleum Substances 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/04—Programme control other than numerical control, i.e. in sequence controllers or logic controllers
- G05B19/042—Programme control other than numerical control, i.e. in sequence controllers or logic controllers using digital processors
- G05B19/0428—Safety, monitoring
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24024—Safety, surveillance
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
Abstract
本申请公开了一种压缩机监控数据的处理方法以及装置,涉及数据处理领域,主要目的在于改善现有方法无法根据实际情况实时调整,而导致判断偏差引发的压缩机效率下降或停机,以及仅依靠人工修改,无法对压缩机监测系统进行远程智能校准的问题。包括:获取目标压缩机的监控运行数据;若所述目标压缩机的运行数据与常规运行数据经计算比较,得到第一差值超过预设差值阈值,则获取所述目标压缩机的运行数据,进行归类选取处理,生成异常运行数据集;若所述异常运行数据集与预期运行数据集经过计算比较,得到第二差值超过预设容错范围,记录超过所述预设容错范围的数据,并更新监测系统数据计算基准,以作为所述目标压缩机更新后的监控校准标准。
Description
技术领域
本申请涉及数据处理技术领域,特别是涉及一种压缩机监控数据的处理方法以及装置。
背景技术
压缩机设备是石油、化工、冶金等行业中的关键性生产设备,它在这些行业中发挥着无可替代的作用。随着工业进步与科学技术的发展,针对压缩机设备监控数据的处理方法也越来越受到重视。
目前,针对压缩机设备监控数据的处理方法主要集中在采用压缩机设备控制系统,以理论预测数据为控制依据,使压缩机工作在工作区,通过针对压缩机组现场仪表、阀门的开启角度是否匹配等几个方面,对压缩机设备的重点部位进行排查。
由于只能利用理论预测数据作为控制策略的依据,对压缩机设备重点部位的现场情况进行监控排查,当现场情况与理论预测数据偏差较大时,排查结果与实际情况有所偏差,导致排查效率低下,且无法实现对压缩机设备的智能校准,因此,需要一种高效、准确的压缩机设备监控数据的处理方法。
发明内容
有鉴于此,本申请提供一种压缩机监控数据的处理方法以及装置,主要目的在于改善基于理论数据计算的压缩机监测控制方法不能根据现场实际情况实时调整,而导致的监控系统判断偏差引发的整体装置效率下降或者停机的问题,以及只能依靠人在控制系统算法中去修改原始理论数据,无法对压缩机监测控制进行远程智能校准的技术问题。
依据本申请一个方面,提供了一种压缩机监控数据的处理方法,包括:
获取目标压缩机的监控运行数据;
若所述目标压缩机的监控运行数据与常规运行数据经过比较,得到的第一差值超过预设差值阈值,则获取所述目标压缩机的运行数据,进行归类选取处理,生成异常运行数据集,所述运行数据为超过所述预设差值阈值的运行数据;
若所述异常运行数据集与预期运行数据集经过计算比较,得到的第二差值超过预设容错范围,记录超过所述预设容错范围的所述运行数据,并更新监测系统数据计算基准,以作为所述目标压缩机更新后的监控校准标准。
优选的,所述若所述目标压缩机的运行数据与常规运行数据经过比较,得到的第一差值超过预设差值阈值之前,所述方法还包括:
基于压缩机的类型参数,获取压缩机类型参数与预设差值阈值之间的第一映射关系;
基于所述第一映射关系,确定与所述目标压缩机相匹配的预设差值阈值。
优选的,所述若所述异常运行数据集与预期运行数据集经过计算比较,得到的第二差值超过预设容错范围,记录超过所述预设容错范围的所述运行数据,并更新监测系统数据计算基准,具体包括:
基于所述目标压缩机的类型参数,分别获取所述目标压缩机类型参数与第一预设容错范围以及第二预设容错范围之间的第二映射关系;
基于所述第二映射关系,分别确定与所述目标压缩机相匹配的所述第一预设容错范围以及所述第二预设容错范围;
若所述异常运行数据集与预期运行数据集经过比较,得到的第二差值超过所述第一预设容错范围,未超过所述第二预设容错范围,记录超过所述第一预设容错范围的所述运行数据,并更新所述第一预设容错范围;
基于所述异常运行数据集,生成异常运行数据曲线,所述异常运行数据曲线用于表征所述目标压缩机的允许异常上限;
更新预期异常运行数据曲线为所述异常运行数据曲线,以作为更新后的所述目标压缩机的允许异常上限。
优选的,所述方法还包括:
若所述异常运行数据集与预期异常运行数据集经过计算比较,得到的第二差值超过所述第二预设容错范围,输出超范围异常警告。
优选的,所述获取目标压缩机的监控运行数据之前,所述方法还包括:
基于预设取样间隔,获取目标压缩机的周期性运行数据;
将所述周期性运行数据转化为通用格式,以进行运行数据之间的比较。
优选的,所述将所述周期性运行数据转化为通用格式之后,所述方法还包括:
按照取样间隔行,将所述周期性运行数据筛选处理,得到所述目标压缩机的监控运行数据,所述周期性运行数据为经过通用格式转化的周期性运行数据。
优选的,所述若所述目标压缩机的运行数据与常规运行数据经过比较,得到的第一差值超过预设差值阈值之后,所述方法还包括:
输出预警信息,并将所述目标压缩机锁定到安全位置。
依据本申请另一个方面,提供了一种压缩机监控数据的处理装置,包括:
第一获取模块,用于获取目标压缩机的监控运行数据;
生成模块,用于若所述目标压缩机的监控运行数据与常规运行数据经过比较,得到的第一差值超过预设差值阈值,则获取所述目标压缩机的运行数据,进行归类选取处理,生成异常运行数据集,所述运行数据为超过所述预设差值阈值的运行数据;
更新模块,用于若所述异常运行数据集与预期运行数据集经过计算比较,得到的第二差值超过预设容错范围,记录超过所述预设容错范围的所述运行数据,并更新监测系统数据计算基准,以作为所述目标压缩机更新后的监控校准标准。
优选的,所述生成模块之前,所述装置还包括:
第二获取模块,用于基于压缩机的类型参数,获取压缩机类型参数与预设差值阈值之间的第一映射关系;
第一确定模块,用于基于所述第一映射关系,确定与所述目标压缩机相匹配的预设差值阈值。
优选的,所述更新模块,具体包括:
获取单元,用于基于压缩机的类型参数,分别获取压缩机类型参数与第一预设容错范围以及第二预设容错范围之间的第二映射关系;
确定单元,用于基于所述第二映射关系,分别确定与所述目标压缩机相匹配的所述第一预设容错范围以及所述第二预设容错范围;
第一更新单元,用于若所述异常运行数据集与预期运行数据集经过比较,得到的第二差值超过所述第一预设容错范围,未超过所述第二预设容错范围,记录超过所述第一预设容错范围的所述运行数据,并更新所述第一预设容错范围;
生成单元,用于基于所述异常运行数据集,生成异常运行数据曲线,所述异常运行数据曲线用于表征所述目标压缩机的允许异常上限;
第二更新单元,用于更新预期异常运行数据曲线为所述异常运行数据曲线,以作为更新后的所述目标压缩机的允许异常上限。
优选的,所述装置还包括:
第一预警模块,用于若所述异常运行数据集与预期异常运行数据集经过比较,得到的第二差值超过所述第二预设容错范围,输出超范围异常警告。
优选的,所述第一获取模块之前,所述装置还包括:
第三获取模块,用于基于预设取样间隔,获取目标压缩机的周期性运行数据;
转化模块,用于将所述周期性运行数据转化为通用格式,以进行运行数据之间的比较。
优选的,所述转化模块之后,所述装置还包括:
筛选模块,用于按照取样间隔行,将所述周期性运行数据筛选处理,得到所述目标压缩机的监控运行数据,所述周期性运行数据为经过通用格式转化的周期性运行数据。
优选的,所述生成模块之后,所述方法还包括:
第二预警模块,用于输出预警信息,并将所述目标压缩机锁定到安全位置。
根据本申请的又一方面,提供了一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如上述压缩机监控数据的处理方法对应的操作。
根据本申请的再一方面,提供了一种终端,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行上述压缩机监控数据的处理方法对应的操作。
借由上述技术方案,本申请实施例提供的技术方案至少具有下列优点:
本申请提供了一种压缩机监控数据的处理方法以及装置,首先获取目标压缩机的监控运行数据;其次若所述目标压缩机的运行数据与常规运行数据经过比较,得到的第一差值超过预设差值阈值,则获取所述目标压缩机的异常运行数据,进行归类选取处理,生成异常运行数据集,所述异常运行数据为超过所述预设差值阈值的运行数据;最后若所述异常运行数据集与预期异常运行数据集经过比较,得到的第二差值超过预设容错范围,则更新监测系统数据计算基准,以作为所述目标压缩机的监控校准标准。与现有技术相比,本申请实施例通过将目标压缩机的实时运行数据与常规运行数据进行比较,筛选出超过预设差值阈值的异常运行数据,经过归类选取,生产异常运行数据集,并将之与预期异常运行数据集作比较,超过预设容错范围,则更新监测系统数据计算基准,以作为所述目标压缩机的监控校准标准,优化了只能利用理论预测数据对压缩机设备重点部位的现场情况进行监控排查的现有方式,提高了监控的准确率,且实现了远程对压缩机设备进行智能校准的目的。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本申请实施例提供的一种压缩机监控数据的处理方法流程图;
图2示出了本申请实施例提供的另一种压缩机监控数据的处理方法流程图;
图3示出了本申请实施例提供的压缩机智能监控系统通信子单元示意图;
图4示出了本申请实施例提供的第三存储模块的存储流程示意图;
图5示出了本申请实施例提供的调试流程图;
图6示出了本申请实施例提供的监控系统整体框图;
图7示出了本申请实施例提供的一种压缩机监控数据的处理装置组成框图;
图8示出了本申请实施例提供的一种终端的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
同时,应当明白,为了便于描述,附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的,决不作为对本申请及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论,但在适当情况下,所述技术、方法和设备应当被视为说明书的一部分。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步讨论。
本申请实施例可以应用于计算机系统/服务器,其可与众多其它通用或专用计算系统环境或配置一起操作。适于与计算机系统/服务器一起使用的众所周知的计算系统、环境和/或配置的例子包括但不限于:个人计算机系统、服务器计算机系统、瘦客户机、厚客户机、手持或膝上设备、基于微处理器的系统、机顶盒、可编程消费电子产品、网络个人电脑、小型计算机系统﹑大型计算机系统和包括上述任何系统的分布式云计算技术环境,等等。
计算机系统/服务器可以在由计算机系统执行的计算机系统可执行指令(诸如程序模块)的一般语境下描述。通常,程序模块可以包括例程、程序、目标程序、组件、逻辑、数据结构等等,它们执行特定的任务或者实现特定的抽象数据类型。计算机系统/服务器可以在分布式云计算环境中实施,分布式云计算环境中,任务是由通过通信网络链接的远程处理设备执行的。在分布式云计算环境中,程序模块可以位于包括存储设备的本地或远程计算系统存储介质上。
本申请实施例提供了一种压缩机监控数据的处理方法,如图1所示,该方法包括:
101、获取目标压缩机的监控运行数据;
本申请实施例中,执行主体可以是压缩机的智能监控系统,首先获取目标压缩机的监控运行数据。其中,目标压缩机为智能监控系统正在进行监控的目标压缩机,例如压缩机组等大型设备组。运行数据为目标压缩机正常运行状态下的运行相关数据,例如压缩机流量、压缩机进出口温度、压缩机进出口压力等。可以理解的是,监控运行数据可以根据具体的监控项目进行获取。例如,压缩机智能监控系统针对压缩机进出口温度进行监控,此时,需要获取的监控运行数据为压缩机进出口温度。
需要说明的是,根据监控项目采集到的数据为原始数据,为了高效、可靠的处理设备监控数据,还可以对采集到的原始数据进行预处理以及筛选等操作,本申请实施例不做具体限定。
102、若目标压缩机的监控运行数据与常规运行数据经过比较,得到的第一差值超过预设差值阈值,则获取目标压缩机的运行数据,进行归类选取处理,生成异常运行数据集;
其中,运行数据为超过预设差值阈值的运行数据。
本申请实施例中,将步骤101中获取的目标压缩机的监控运行数据,与常规运行数据相减得到第一差值。其中,常规运行数据用于表征该目标压缩机正常运行下的预期运行数据,可以是相邻周期的运行数据,也可以是开发人员根据压缩机的具体参数情况预先设定的期望运行数据,本申请实施例不做具体限定。第一差值用于表征目标压缩机当前实时运行数据与常规运行数据之间的差值。若大于预设差值阈值,则获取该异常运行数据,经过归类选取处理生成异常运行数据集。其中,预设差值阈值为目标压缩机的检测率(比较值),即目标压缩机正常运行下允许的最大浮动范围,具体可以根据目标压缩机的类型以及监控项目而设定。异常运行数据为超过预设差值阈值的运行数据。归类选取处理可以按照采样间隔或采样速度或采样时间等进行归类选取处理,本申请实施例不做具体限定。
需要说明的是,当第一差值未超过预设差值阈值时,说明目标压缩机的监控运行数据处于可控范围,无需对监控数据进行任何处理。
103、若异常运行数据集与预期运行数据集经过比较,得到的第二差值超过预设容错范围,记录超过预设容错范围的运行数据,并更新监测系统数据计算基准。
本申请实施例中,若经过归类选取生成的异常运行数据集与预期运行数据集计算比较得到的第二差值超过预设容错范围,则更新监测系统数据计算基准,以作为目标压缩机更新后的监控校准标准。其中,预期异常运行数据集用于表征目标压缩机的理论异常数据,可以有计算机根据以往记录统计生成,也可以有开发人员自行录入,本申请实施例不做具体限定。第二差值用于表征异常运行数据集与预期异常运行数据集之间的计算比较。预设容错范围表征目标压缩机允许异常的最大范围,即目标压缩机的监控校准标准。本发明实施例中,预期运行数据集为基于监控系统数据计算基准确定的,从而确保运行数据的正常监控计算。
需要说明的是,当第二差值超过一定范围后,说明目标压缩机出现极端异常情况,此时不再根据更新预设容错范围,而是输出预警信息,以提示查看极端异常情况。
另一个实施例中,为了进一步说明及限定,若目标压缩机的监控运行数据与常规运行数据经过比较,得到的第一差值超过预设差值阈值之前,本实施例方法还包括:基于压缩机的类型参数,获取压缩机类型参数与预设差值阈值之间的第一映射关系;基于第一映射关系,确定与目标压缩机相匹配的预设差值阈值。
具体的,压缩机的智能监控系统中预先存储有压缩机类型参数与预设差值阈值之间的第一映射关系,其中,压缩机类型参数可以为压缩机的类型、型号等参数,例如,水平剖分特定型号离心压缩机,垂直剖分特定型号离心压缩机等。第一映射关系用于表征设备类型参数与预设阈值之间的对应关系。在基于预设差值阈值对目标压缩机的监控运行数据进行检测之前,首先基于目标的类型参数,获取类型参数与预设差值阈值之间的映射关系,再基于映射关系,确定与目标压缩机相匹配的预设差值阈值。
需要说明的是,第一映射关系可以是以配置文件的形式配置的压缩机类型参数与预设阈值之间的对应关系,可以由计算机根据目标压缩机的硬件特征自动生成,也可以由开发人员自行写入,本申请不做具体限定。
示例性的,目标压缩机为水平剖分特定型号离心压缩机,型号为ABCXXX,以离心压缩机,型号ABCXXX作为匹配依据,获取与型号ABCXXX的离心压缩机相匹配的第一映射关系,并确定预设差值阈值。
为了进一步针对步骤103进行说明以及限定,本申请实施例提供了另一种压缩机监控数据的处理方法,如图2所示,该方法包括:
201、基于目标压缩机的类型参数,分别获取目标压缩机类型参数与第一预设容错范围以及第二预设容错范围之间的第二映射关系。
本申请实施例中,首先基于目标压缩机的类型参数,分别获取目标压缩机参数与第一预设容错范围以及第二预设容错范围之间的对应关系。其中,目标压缩机的类型参数可以为压缩机的类型、型号等参数,例如,水平剖分特定型号离心压缩机,垂直剖分特定型号离心压缩机等,上述实施例中提到,本实施例在此不再赘述。第一预设容错范围用于表征预先设定对目标设备进行一次异常预警的一个数值范围。第二预设容错范围用于预先设定对目标设备进行二次异常预警的一个数值范围,本发明实施例中第二预设容错范围远远大于第一预设容错范围,第二预设容错范围优选为相对于第一预设容错范围大很多的一个数值范围,以便作为二次异常进行预警,本发明实施例不做具体限定。此时,第二映射关系为预先配置的,用于表征不同压缩机参数类型与第一预设容错范围以及第二预设容错范围之间的对应关系。
202、基于第二映射关系,分别确定与目标压缩机相匹配的第一预设容错范围以及第二预设容错范围。
本申请实施例中,基于步骤201中获取的压缩机参数类型与第一预设容错范围以及第二预设容错范围之间的对应关系,分别确定与目标压缩机相匹配的第一容错范围以及第二容错范围。
203、若异常运行数据集与预期运行数据集经过比较,得到的第二差值超过第一预设容错范围,未超过第二预设容错范围,记录超过第一预设容错范围的数据,并更新监测系统数据计算基准。
本申请实施例中,将步骤102生成的异常运行数据集与预期异常运行数据集进行比较,得到的第二差值若超过第一预设容错范围,未超过第二预设容错范围,则说明该目标压缩机的异常运行数据集虽超过了目标压缩机设备允许异常的最大范围(即目标压缩机的监控校准标准),但并未达到该目标压缩机的监控运行数据的异常值上限,此时更新监测系统数据计算基准即可,以作为更新后的目标压缩机的监控校准标准。
204、基于异常运行数据集,生成异常运行数据曲线。
其中,异常运行数据曲线用于表征目标压缩机的允许异常上限;
为了使目标压缩机的当前监控运行数据与预期异常运行数据集的比较更加清晰明了,本申请实施例中,在将第一预设容错范围更新后,基于所述异常运行数据集,生成异常运行数据曲线。
需要说明的是,异常运行数据曲线可以是基于excel表格生成的折线图,也可以基于其他形式进行生成,本申请实施例不做具体限定。
205、更新预期异常运行数据曲线为异常运行数据曲线,以作为更新后的目标压缩机的允许异常上限。
本申请实施例中,在更新第一预设容错范围后,同样将预期异常运行数据曲线更新为异常运行数据曲线,即步骤204中生成的异常运行数据曲线,以作为更新后的目标压缩机的允许异常上限。
另一个实施例中,为了进一步说明及限定,本实施例方法还包括:若异常运行数据集与预期异常运行数据集经过比较,得到的第二差值超过第二预设容错范围,输出超范围异常警告。
具体的,当异常运行数据集与预期异常运行数据集经过比较,得到的第二差值超过第二预设容错范围时,说明此时目标压缩机的异常运行数据集超过了异常运行数据的上限,出现了极端异常情况,此时为了保障目标压缩机的安全,输出超范围异常警告。
需要说明的是,超范围异常警告可以采用鸣笛的方式在目标压缩机的工作现场进行输出,也可以采用界面弹窗的方式在压缩机智能监控系统的用户端进行输出,具体输出方式与输出位置本申请实施例不做具体限定。
另一个实施例中,为了进一步说明及限定,获取目标压缩机的监控运行数据之前,本实施方法还包括:基于预设取样间隔,获取目标压缩机的周期性运行数据;将周期性运行数据转化为通用格式,以进行运行数据之间的比较。
具体的,由于本申请实施例中是针对同一个目标压缩机的监控数据进行处理,即针对同一个目标压缩机的不同时间的纵向比较。将当前周期的监控运行数据与相邻周期的监控运行数据相比较,更能高效、准确地监控到目标压缩机的异常运行数据。优选的,首先基于预设取样间隔,获取目标压缩机的周期性运行数据。其中,取样间隔可以根据数据采集模块的硬件特征进行设定,例如,采用具有DC-DC变换器隔离电源的数据采集模块,可以达到5微秒的高速采集;还可以由用户根据实际情况自行设定,本申请实施例不做具体限定。其次为了方便运行数据之间的纵向比较,进一步优选的,还可以将采集到的周期性运行数据转换为通用格式。例如,例如如下程序进行格式转换:
示例性的,为了实现运行数据的高速采集与写入,在数据采集时,可以选择采用DC-DC变换器隔离的电路电源,可以使输入输出和通信接口实现全浮空电路设计,增强了抗干扰能力。同时还具备高速采集功能,可达5微秒的模拟量采样周期,由于采样周期缩短,保障了信号的安全。
另一个实施例中,为了进一步说明及限定,将周期性运行数据转化为通用格式之后,本实施方法还包括:按照取样间隔,将周期性运行数据筛选处理,得到目标压缩机的监控运行数据。
其中,周期性运行数据为经过通用格式转化的周期性运行数据。
为了使监控数据处理结果更加准确,可以将上一步骤中采集到的海量数据经过筛选,得到可用的目标压缩机的监控运行数据。
优选的,可以将采集到的海量数据输入至筛选模型,得到目标压缩机的监控运行数据。筛选模型的筛选过程如下:
K=Cx*(f(x+1)-f(x))/(t(x+1)-t(x))
其中,f(x)为当前一个采样点的数值,t(x)为当前一个采样点的时间,Cx为当前系数。
另一个实施例中,为了进一步说明及限定,若目标压缩机的运行数据与常规运行数据经过比较,得到的第一差值超过预设差值阈值之后,本实施例方法还包括:输出预警信息,并将目标压缩机锁定到安全位置。
具体的,在目标压缩机出现异常监控运行数据时,出于安全考虑,优选的,可以输出预警信息,并将目标压缩机锁定到安全位置,直到故障检测复位操作后,才能消除报警,并恢复运行。其中,预警信息可以采用鸣笛的方式在目标压缩机的工作现场进行输出,也可以采用界面弹窗的方式在压缩机智能监控系统的用户端进行输出,具体输出方式与输出位置本申请实施例不做具体限定。
在具体的应用场景中,作为本申请实施例执行主体的压缩机的智能监控系统可以包含一个通信子单元,如图3所示,包括如下模块:数据采集模块、第一传输模块、第一存储模块、第二存储模块、分析模块、第三存储模块、第二传输模块、应用模块。数据采集模块将采集到的数据通过第一传输模块传输到第一存储模块进行存储,再由第二存储模块将采集到的数据存储到控制系统内的存储设备中,通过分析模块对监控运行数据进行数据处理,并将处理后的数据存储到第三存储模块,并将处理后的数据经过第二传输模块发布到云端,并传输值应用模块中用于数据显示。其中,第三存储模块的存储流程示意图如图4所示。
在通信过程中,可以基于如图5所示的调试流程进行调试。首先获取当前执行指令,判断当前指令ID是否溢出,若溢出,继续判断设备是否为停止状态,若已停止,则执行指令,然后判断是否为单步状态,若是,设置为停止状态,若是,判断是否为调试状态,若是,判断当前指令是否为断点,若是,设置为停止状态,结束调试。
在具体的应用场景中,本方案提供的监测系统整体框图如图6所示。
本申请提供了一种压缩机监控数据的处理方法,首先获取目标压缩机的监控运行数据;其次若所述目标压缩机的运行数据与常规运行数据经过比较,得到的第一差值超过预设差值阈值,则获取所述目标压缩机的异常运行数据,进行归类选取处理,生成异常运行数据集,所述异常运行数据为超过所述预设差值阈值的运行数据;最后若所述异常运行数据集与预期异常运行数据集经过比较,得到的第二差值超过预设容错范围,则更新监测系统数据计算基准,以作为所述目标压缩机的监控校准标准。与现有技术相比,本申请实施例通过将目标压缩机的实时运行数据与常规运行数据进行比较,筛选出超过预设差值阈值的异常运行数据,经过归类选取,生产异常运行数据集,并将之与预期异常运行数据集作比较,超过预设容错范围,则更新监测系统数据计算基准,以作为所述目标压缩机的监控校准标准,优化了只能利用理论预测数据对压缩机设备重点部位的现场情况进行监控排查的现有方式,提高了监控的准确率,且实现了远程对压缩机设备进行智能校准的目的。
进一步的,作为对上述图1所示方法的实现,本申请实施例提供了一种压缩机监控数据的处理装置,如图7所示,该装置包括:
第一获取模块31,生成模块32,更新模块33。
第一获取模块31,用于获取目标压缩机的监控运行数据;
生成模块32,用于若所述目标压缩机的监控运行数据与常规运行数据经过比较,得到的第一差值超过预设差值阈值,则获取所述目标压缩机的运行数据,进行归类选取处理,生成异常运行数据集,所述运行数据为超过所述预设差值阈值的运行数据;
更新模块33,用于若所述异常运行数据集与预期运行数据集经过计算比较,得到的第二差值超过预设容错范围,记录超过所述预设容错范围的所述运行数据,并更新监测系统数据计算基准,以作为所述目标压缩机更新后的监控校准标准。
优选的,所述生成模块之前,所述装置还包括:
第二获取模块,用于基于压缩机的类型参数,获取压缩机类型参数与预设差值阈值之间的第一映射关系;
第一确定模块,用于基于所述第一映射关系,确定与所述目标压缩机相匹配的预设差值阈值。
优选的,所述更新模块,具体包括:
获取单元,用于基于压缩机的类型参数,分别获取压缩机类型参数与第一预设容错范围以及第二预设容错范围之间的第二映射关系;
确定单元,用于基于所述第二映射关系,分别确定与所述目标压缩机相匹配的所述第一预设容错范围以及所述第二预设容错范围;
第一更新单元,用于若所述异常运行数据集与预期运行数据集经过比较,得到的第二差值超过所述第一预设容错范围,未超过所述第二预设容错范围,记录超过所述第一预设容错范围的所述运行数据,并更新所述第一预设容错范围;
生成单元,用于基于所述异常运行数据集,生成异常运行数据曲线,所述异常运行数据曲线用于表征所述目标压缩机的允许异常上限;
第二更新单元,用于更新预期异常运行数据曲线为所述异常运行数据曲线,以作为更新后的所述目标压缩机的允许异常上限。
优选的,所述装置还包括:
第一预警模块,用于若所述异常运行数据集与预期异常运行数据集经过比较,得到的第二差值超过所述第二预设容错范围,输出超范围异常警告。
优选的,所述第一获取模块之前,所述装置还包括:
第三获取模块,用于基于预设取样间隔,获取目标压缩机的周期性运行数据;
转化模块,用于将所述周期性运行数据转化为通用格式,以进行运行数据之间的比较。
优选的,所述转化模块之后,所述装置还包括:
筛选模块,用于按照取样间隔行,将所述周期性运行数据筛选处理,得到所述目标压缩机的监控运行数据,所述周期性运行数据为经过通用格式转化的周期性运行数据。
优选的,所述生成模块之后,所述方法还包括:
第二预警模块,用于输出预警信息,并将所述目标设备锁定到安全位置。
本申请提供了一种压缩机监控数据的处理装置,首先获取目标压缩机的监控运行数据;其次若所述目标压缩机的运行数据与常规运行数据经过比较,得到的第一差值超过预设差值阈值,则获取所述目标压缩机的异常运行数据,进行归类选取处理,生成异常运行数据集,所述异常运行数据为超过所述预设差值阈值的运行数据;最后若所述异常运行数据集与预期异常运行数据集经过比较,得到的第二差值超过预设容错范围,则更新监测系统数据计算基准,以作为所述目标压缩机的监控校准标准。与现有技术相比,本申请实施例通过将目标压缩机的实时运行数据与常规运行数据进行比较,筛选出超过预设差值阈值的异常运行数据,经过归类选取,生产异常运行数据集,并将之与预期异常运行数据集作比较,超过预设容错范围,则更新监测系统数据计算基准,以作为所述目标压缩机的监控校准标准,优化了只能利用理论预测数据对压缩机设备重点部位的现场情况进行监控排查的现有方式,提高了监控的准确率,且实现了远程对压缩机设备进行智能校准的目的。
根据本申请一个实施例提供了一种存储介质,所述存储介质存储有至少一可执行指令,该计算机可执行指令可执行上述任意方法实施例中的压缩机监控数据的处理方法。
基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施场景所述的方法。
图8示出了根据本申请一个实施例提供的一种终端的结构示意图,本申请具体实施例并不对终端的具体实现做限定。
如图8所示,该终端可以包括:处理器(processor)402、通信接口(CommunicationsInterface)404、存储器(memory)406、以及通信总线408。
其中:处理器402、通信接口404、以及存储器406通过通信总线408完成相互间的通信。
通信接口404,用于与其它设备比如客户端或其它服务器等的网元通信。
处理器402,用于执行程序410,具体可以执行上述设备监控数据的处理方法实施例中的相关步骤。
具体地,程序410可以包括程序代码,该程序代码包括计算机操作指令。
处理器402可能是中央处理器CPU,或者是特定集成电路AS I C(ApplicationSpecific Integrated Circuit),或者是被配置成实施本申请实施例的一个或多个集成电路。终端包括的一个或多个处理器,可以是同一类型的处理器,如一个或多个CPU;也可以是不同类型的处理器,如一个或多个CPU以及一个或多个ASIC。
存储器406,用于存放程序410。存储器406可能包含高速RAM存储器,也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。
程序410具体可以用于使得处理器302执行以下操作:
获取目标压缩机的监控运行数据;
若所述目标压缩机的运行数据与常规运行数据经过比较,得到的第一差值超过预设差值阈值,则获取所述目标压缩机的运行数据,进行归类选取处理,生成异常运行数据集,所述运行数据为超过所述预设差值阈值的运行数据;
若所述异常运行数据集与预期运行数据集经过计算比较,得到的第二差值超过预设容错范围,记录超过所述预设容错范围的数据,并更新监测系统数据计算基准,以作为所述目标压缩机更新后的监控校准标准。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述基于多模态混合模型的业务数据处理的实体设备硬件和软件资源的程序,支持信息处理程序以及其它软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信,以及与信息处理实体设备中其它硬件和软件之间通信。
本说明书中各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似的部分相互参见即可。对于系统实施例而言,由于其与方法实施例基本对应,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
可能以许多方式来实现本申请的方法和系统。例如,可通过软件、硬件、固件或者软件、硬件、固件的任何组合来实现本申请的方法和系统。用于所述方法的步骤的上述顺序仅是为了进行说明,本申请的方法的步骤不限于以上具体描述的顺序,除非以其它方式特别说明。此外,在一些实施例中,还可将本申请实施为记录在记录介质中的程序,这些程序包括用于实现根据本申请的方法的机器可读指令。因而,本申请还覆盖存储用于执行根据本申请的方法的程序的记录介质。
显然,本领域的技术人员应该明白,上述的本申请的各模块或各步骤可以用通用的计算装置来实现,它们可以集中在单个的计算装置上,或者分布在多个计算装置所组成的网络上,可选地,它们可以用计算装置可执行的程序代码来实现,从而,可以将它们存储在存储装置中由计算装置来执行,并且在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤,或者将它们分别制作成各个集成电路模块,或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样,本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包括在本申请的保护范围之内。
Claims (10)
1.一种压缩机监控数据的处理方法,其特征在于,包括:
获取目标压缩机的监控运行数据;
若所述目标压缩机的监控运行数据与常规运行数据经过比较,得到的第一差值超过预设差值阈值,则获取所述目标压缩机的运行数据,进行归类选取处理,生成异常运行数据集,所述运行数据为超过所述预设差值阈值的运行数据;
若所述异常运行数据集与预期运行数据集经过计算比较,得到的第二差值超过预设容错范围,记录超过所述预设容错范围的数据,并更新监测系统数据计算基准,以作为所述目标压缩机更新后的监控校准标准。
2.根据权利要求1所述的方法,其特征在于,所述若所述目标压缩机的监控运行数据与常规运行数据经过比较,得到的第一差值超过预设差值阈值之前,所述方法还包括:
基于所述目标压缩机的类型参数,获取所述目标压缩机类型参数与预设差值阈值之间的第一映射关系;
基于所述第一映射关系,确定与所述目标压缩机相匹配的预设差值阈值。
3.根据权利要求1所述的方法,其特征在于,所述若所述异常运行数据集与预期运行数据集经过计算比较,得到的第二差值超过预设容错范围,记录超过所述预设容错范围的数据,并更新监测系统数据计算基准,具体包括:
基于所述目标压缩机的类型参数,分别获取所述目标压缩机类型参数与第一预设容错范围以及第二预设容错范围之间的第二映射关系;
基于所述第二映射关系,分别确定与所述目标压缩机相匹配的所述第一预设容错范围以及所述第二预设容错范围;
若所述异常运行数据集与预期运行数据集经过比较,得到的第二差值超过所述第一预设容错范围,未超过所述第二预设容错范围,记录超过所述第一预设容错范围的数据,并更新监测系统数据计算基准;
基于所述异常运行数据集,生成异常运行数据曲线,所述异常运行数据曲线用于表征所述目标压缩机的允许异常上限;
更新预期异常运行数据曲线为所述异常运行数据曲线,以作为更新后的所述目标压缩机的允许异常上限。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
若所述异常运行数据集与预期运行数据集经过计算比较,得到的第二差值超过所述第二预设容错范围,输出超范围异常警告。
5.根据权利要求1所述的方法,其特征在于,所述获取目标压缩机的监控运行数据之前,所述方法还包括:
基于预设取样间隔,获取目标压缩机的周期性运行数据;
将所述周期性运行数据转化为通用格式,以进行运行数据之间的比较。
6.根据权利要求5所述的方法,其特征在于,所述将所述周期性运行数据转化为通用格式之后,所述方法还包括:
按照取样间隔,将所述周期性运行数据筛选处理,得到所述目标压缩机的监控运行数据,所述周期性运行数据为经过通用格式转化的周期性运行数据。
7.根据权利要求1所述的方法,其特征在于,所述异常运行数据集与预期运行数据集经计算比较,得到第二差值超过预设差值阈值之后,所述方法还包括:
输出预警信息,并将所述目标压缩机锁定到安全位置。
8.一种压缩机监控数据的处理装置,其特征在于,包括:
第一获取模块,用于获取目标压缩机的监控运行数据;
生成模块,用于若所述目标压缩机的监控运行数据与常规运行数据经过比较,得到的第一差值超过预设差值阈值,则获取所述目标压缩机的运行数据,进行归类选取处理,生成异常运行数据集,所述运行数据为超过所述预设差值阈值的运行数据;
更新模块,用于若所述异常运行数据集与预期运行数据集经过计算比较,得到的第二差值超过预设容错范围,记录超过所述预设容错范围的数据,并更新监测系统数据计算基准,以作为所述压缩机更新后的监控校准标准。
9.一种存储介质,所述存储介质中存储有至少一可执行指令,所述可执行指令使处理器执行如权利要求1-7中任一项所述的压缩机监控数据的处理方法对应的操作。
10.一种电子设备,包括:处理器、存储器、通信接口和通信总线,所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信;
所述存储器用于存放至少一可执行指令,所述可执行指令使所述处理器执行如权利要求1-7中任一项所述的压缩机监控数据的处理方法对应的操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111414652.6A CN114253183A (zh) | 2021-11-25 | 2021-11-25 | 压缩机监控数据的处理方法以及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111414652.6A CN114253183A (zh) | 2021-11-25 | 2021-11-25 | 压缩机监控数据的处理方法以及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114253183A true CN114253183A (zh) | 2022-03-29 |
Family
ID=80791203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111414652.6A Pending CN114253183A (zh) | 2021-11-25 | 2021-11-25 | 压缩机监控数据的处理方法以及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114253183A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110609479A (zh) * | 2019-10-23 | 2019-12-24 | 中国科学院工程热物理研究所 | 基于线性变参数模型的燃气轮机传感器容错控制方法 |
CN110837011A (zh) * | 2019-09-27 | 2020-02-25 | 深圳市火乐科技发展有限公司 | 异常数据处理方法、装置、智能投影仪及存储介质 |
CN112710446A (zh) * | 2020-12-21 | 2021-04-27 | 北京和中普方新能源科技有限公司 | 电动车电池系统振动试验的判断方法、系统及存储介质 |
CN112798290A (zh) * | 2020-12-25 | 2021-05-14 | 北京化工大学 | 基于频谱重构误差的燃气轮机异常状态监测方法 |
-
2021
- 2021-11-25 CN CN202111414652.6A patent/CN114253183A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110837011A (zh) * | 2019-09-27 | 2020-02-25 | 深圳市火乐科技发展有限公司 | 异常数据处理方法、装置、智能投影仪及存储介质 |
CN110609479A (zh) * | 2019-10-23 | 2019-12-24 | 中国科学院工程热物理研究所 | 基于线性变参数模型的燃气轮机传感器容错控制方法 |
CN112710446A (zh) * | 2020-12-21 | 2021-04-27 | 北京和中普方新能源科技有限公司 | 电动车电池系统振动试验的判断方法、系统及存储介质 |
CN112798290A (zh) * | 2020-12-25 | 2021-05-14 | 北京化工大学 | 基于频谱重构误差的燃气轮机异常状态监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107766299B (zh) | 数据指标异常的监控方法及其系统、存储介质、电子设备 | |
US8882883B2 (en) | Apparatus and methods to monitor and control cyclic process units in a steady plant environment | |
Shardt et al. | A new soft-sensor-based process monitoring scheme incorporating infrequent KPI measurements | |
EP3105644B1 (en) | Method of identifying anomalies | |
EP2172824B1 (en) | Method and system of wind turbine condition monitoring | |
JP4046309B2 (ja) | プラント監視装置 | |
US11165799B2 (en) | Anomaly detection and processing for seasonal data | |
EP2951654B1 (en) | Methods and systems for online monitoring using a variable data sampling rate | |
EP3470988A1 (en) | Method for replicating production behaviours in a development environment | |
Gross et al. | Early detection of signal and process anomalies in enterprise computing systems. | |
US11900223B2 (en) | Device and method for monitoring a system | |
JP2022546771A (ja) | ユーティリティシステム資産の効率的なrul解析を促進するための無関係フィルタの使用 | |
Ma et al. | A model‐free approach to reduce the effect of autocorrelation on statistical process control charts | |
CN114253183A (zh) | 压缩机监控数据的处理方法以及装置 | |
Mahajan et al. | Physical and virtual intelligent sensors for integrated health management systems | |
Toosi et al. | Method for detecting aging related failures of process sensors via noise signal measurement | |
JP7437163B2 (ja) | 診断装置、診断方法およびプログラム | |
WO2020146486A1 (en) | Predictive maintenance tool based on digital model | |
Gross et al. | Machine Learning Innovation for High Accuracy Remaining Useful Life (RUL) Estimation for Critical Assets in IoT Infrastructures | |
Gross et al. | Advanced Pattern Recognition for Optimal Bandwidth and Power Utilization for Wireless Intelligent Motes for IoT Applications | |
Morrison et al. | The early event detection toolkit | |
Diallo et al. | A data analytics approach to failure precursor detection of gas turbine | |
CN116700197B (zh) | 一种工控监测分析预警系统及分析预警处理方法 | |
WO2023100242A1 (ja) | 障害情報推定装置、障害情報推定方法、および障害情報推定プログラム | |
WO2021149277A1 (ja) | 予測装置、予測方法およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: 110869 No. 16 A Development Road, Shenyang Economic and Technological Development Zone, Liaoning Province Applicant after: Shenyang Blower Works Group Corp. Address before: 110869 No. 16 A Development Road, Shenyang Economic and Technological Development Zone, Liaoning Province Applicant before: SHENYANG BLOWER WORKS Group Corp. |